YOLOv8 so với RTDETRv2
Lĩnh vực thị giác máy tính không ngừng phát triển, với các kiến trúc mới mở rộng khả năng phát hiện đối tượng thời gian thực. Hai model nổi bật thu hút nhiều sự chú ý là Ultralytics YOLOv8 và RTDETRv2 của Baidu. Hướng dẫn này so sánh kỹ thuật hai model, tìm hiểu kiến trúc, chỉ số hiệu năng và các kịch bản triển khai lý tưởng.
Tổng quan về YOLOv8#
Ultralytics YOLOv8 là một cột mốc quan trọng trong họ model YOLO (Bạn chỉ cần nhìn một lần), kết hợp tốc độ, độ chính xác và tính dễ sử dụng trên nhiều tác vụ.
Đặc điểm chính:
- Tác giả: Glenn Jocher, Ayush Chaurasia và Jing Qiu
- Tổ chức: Ultralytics
- Ngày: 10 tháng 1 năm 2023
- GitHub: Kho lưu trữ Ultralytics
- Tài liệu: Tài liệu YOLOv8
Kiến trúc và ưu điểm#
YOLOv8 giới thiệu kiến trúc tinh gọn, tối ưu hóa cả quá trình trích xuất đặc trưng lẫn hồi quy bounding box. Đây là một detector không anchor, giúp đơn giản hóa head dự đoán và giảm số lần điều chỉnh siêu tham số cần thiết trong quá trình huấn luyện. Nhờ vậy, YOLOv8 cân bằng tốt giữa tốc độ suy luận và độ chính xác trung bình (mAP), phù hợp để triển khai thực tế trên cả thiết bị edge và máy chủ đám mây.
YOLOv8 cũng có yêu cầu bộ nhớ thấp hơn trong quá trình huấn luyện so với các kiến trúc dựa trên Transformer, nhờ đó nhà phát triển có thể huấn luyện model trên GPU phổ thông mà không bị hết bộ nhớ.
Tính linh hoạt#
Một trong những thế mạnh nổi bật của YOLOv8 là tính linh hoạt vốn có. Trong khi nhiều model chỉ tập trung vào bounding box, YOLOv8 hỗ trợ sẵn phát hiện đối tượng, phân đoạn instance, phân loại ảnh, ước tính pose và phát hiện bounding box có hướng (OBB).
Tổng quan về RTDETRv2#
RTDETRv2 (Transformer phát hiện thời gian thực phiên bản 2) được phát triển dựa trên RT-DETR ban đầu, với mục tiêu đưa các cơ chế attention của Vision Transformer vào các ứng dụng phát hiện đối tượng thời gian thực.
Đặc điểm chính:
- Tác giả: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang và Yi Liu
- Tổ chức: Baidu
- Ngày: 2024-07-24
- arXiv: 2407.17140
- GitHub: Repository RT-DETR
- Tài liệu: README của RTDETRv2
Kiến trúc và ưu điểm#
RTDETRv2 sử dụng kiến trúc lai, kết hợp backbone mạng nơ-ron tích chập (CNN) với cấu trúc encoder-decoder Transformer. Nhờ đó, model có thể nắm bắt các quan hệ không gian phức tạp và ngữ cảnh toàn cục thông qua cơ chế self-attention. Bằng cách sử dụng một tập hợp các chiến lược huấn luyện "bag-of-freebies", RTDETRv2 đạt điểm mAP cạnh tranh trên các dataset benchmark tiêu chuẩn như dataset COCO.
Điểm yếu#
Dù có độ chính xác cao, bản chất dựa trên Transformer của RTDETRv2 dẫn đến mức tiêu thụ bộ nhớ cao hơn và thời gian huấn luyện lâu hơn so với các kiến trúc CNN thuần. Transformer thường cần nhiều VRAM hơn, khiến việc huấn luyện trên phần cứng hạn chế tài nguyên trở nên khó khăn. Ngoài ra, dù RTDETRv2 mạnh về phát hiện, model thiếu khả năng hỗ trợ đa tác vụ (như phân đoạn và ước tính tư thế) vốn được tích hợp trong hệ sinh thái Ultralytics.
So sánh hiệu năng#
Khi đánh giá model cho môi trường production, sự đánh đổi giữa kích thước model, tốc độ suy luận và độ chính xác là yếu tố then chốt. Bảng dưới đây so sánh trực tiếp các biến thể YOLOv8 và RTDETRv2.
| Model | kích thước (pixel) | mAPval50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| RTDETRv2-s | 640 | 48.1 | - | 5.03 | 20 | 60 |
| RTDETRv2-m | 640 | 51.9 | - | 7.51 | 36 | 100 |
| RTDETRv2-l | 640 | 53.4 | - | 9.76 | 42 | 136 |
| RTDETRv2-x | 640 | 54.3 | - | 15.03 | 76 | 259 |
Trường hợp sử dụng và khuyến nghị#
Việc lựa chọn giữa YOLOv8 và RT-DETR phụ thuộc vào yêu cầu cụ thể của dự án, các ràng buộc khi triển khai và hệ sinh thái bạn ưu tiên.
Khi nào nên chọn YOLOv8#
YOLOv8 là lựa chọn phù hợp cho:
- Triển khai đa tác vụ linh hoạt: Các dự án cần một model đã được kiểm chứng để thực hiện phát hiện, phân đoạn, phân loại và ước lượng tư thế trong hệ sinh thái Ultralytics.
- Hệ thống sản xuất đã thiết lập: Các môi trường sản xuất hiện có được xây dựng trên kiến trúc YOLOv8 với quy trình triển khai ổn định, đã được kiểm thử kỹ lưỡng.
- Hỗ trợ cộng đồng và hệ sinh thái rộng rãi: Các ứng dụng hưởng lợi từ kho hướng dẫn phong phú, tích hợp bên thứ ba và tài nguyên cộng đồng tích cực của YOLOv8.
Khi nào nên chọn RT-DETR#
RT-DETR được khuyến nghị cho:
- Nghiên cứu phát hiện dựa trên Transformer: Các dự án tìm hiểu cơ chế attention và kiến trúc Transformer để phát hiện đối tượng end-to-end mà không cần NMS.
- Tình huống cần độ chính xác cao với độ trễ linh hoạt: Các ứng dụng đặt độ chính xác phát hiện lên hàng đầu và chấp nhận độ trễ suy luận cao hơn đôi chút.
- Phát hiện vật thể lớn: Các cảnh chủ yếu có vật thể cỡ trung bình đến lớn, trong đó cơ chế attention toàn cục của Transformer mang lại lợi thế tự nhiên.
Khi nào nên chọn Ultralytics (YOLO26)#
Với hầu hết dự án mới, Ultralytics YOLO26 mang đến sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm dành cho nhà phát triển:
- Triển khai trên thiết bị biên không cần NMS: Các ứng dụng cần inference có độ trễ thấp và ổn định mà không phải xử lý hậu kỳ Non-Maximum Suppression phức tạp.
- Môi trường chỉ có CPU: Các thiết bị không có khả năng tăng tốc bằng GPU chuyên dụng, nơi tốc độ suy luận CPU nhanh hơn tới 43% của YOLO26n so với YOLO11n mang lại lợi thế quyết định.
- Phát hiện vật thể nhỏ: Các tình huống khó như ảnh chụp từ drone trên không hoặc phân tích cảm biến IoT, nơi ProgLoss và STAL cải thiện độ chính xác đối với vật thể rất nhỏ.
Lợi thế của Ultralytics#
Việc chọn model không chỉ dựa trên các chỉ số thuần; hệ sinh thái phần mềm xung quanh đóng vai trò quan trọng đối với năng suất của nhà phát triển. Hệ sinh thái Ultralytics được thiết kế để dễ sử dụng, cung cấp Python API hợp nhất giúp đơn giản hóa toàn bộ vòng đời machine learning.
Từ quản lý dataset đến huấn luyện phân tán, Ultralytics xử lý mã boilerplate phức tạp. Nhà phát triển được hưởng lợi từ các trọng số pretrained sẵn có và khả năng tích hợp với các nền tảng như Hugging Face cùng các công cụ giám sát thử nghiệm. Hệ sinh thái được phát triển tích cực, cập nhật thường xuyên và có sự hậu thuẫn của cộng đồng đông đảo.
Các model Ultralytics YOLO cũng được tối ưu hóa để hội tụ nhanh và sử dụng ít bộ nhớ hơn trong quá trình huấn luyện, giúp tăng tốc thử nghiệm so với các detector dựa trên Transformer như RTDETRv2.
Nhìn về phía trước: Sức mạnh của YOLO26#
YOLOv8 vẫn là một model tốt, nhưng với các dự án mới, Ultralytics đề xuất YOLO26, ra mắt vào tháng 1 năm 2026 và bổ sung một số cải tiến:
- Thiết kế end-to-end không cần NMS: Head one-to-one tùy chọn của YOLO26 (
nms=False) loại bỏ bước hậu xử lý Non-Maximum Suppression (NMS), giúp quy trình triển khai nhanh hơn và có tính xác định cao hơn. - Loại bỏ DFL: Việc loại bỏ Distribution Focal Loss giúp tinh gọn model, tăng khả năng tương thích với thiết bị edge và thiết bị công suất thấp.
- Bộ tối ưu MuSGD: Lấy cảm hứng từ quá trình huấn luyện LLM, MuSGD (giải pháp lai giữa SGD và Muon) giúp quá trình huấn luyện ổn định hơn và hội tụ nhanh hơn.
- Suy luận CPU nhanh hơn tới 43%: YOLO26n chạy nhanh hơn YOLO11n tới 43% khi suy luận ONNX trên CPU, phù hợp với môi trường không có GPU chuyên dụng.
- ProgLoss + STAL: Progressive Loss và Small-Target-Aware Label Assignment cải thiện đáng kể khả năng nhận diện vật thể nhỏ, yếu tố quan trọng đối với ảnh hàng không và robot.
Các lựa chọn hiện đại khác đáng cân nhắc trong bộ sản phẩm Ultralytics bao gồm YOLO11, vẫn là lựa chọn vững chắc cho các dự án hiện có, dù YOLO26 được khuyến nghị cho các triển khai mới.
Ví dụ mã: Huấn luyện và suy luận#
API đơn giản của Ultralytics cho phép bạn tải, huấn luyện và triển khai model chỉ với vài dòng mã Python. Hãy cài đặt PyTorch trước khi chạy ví dụ sau.
from ultralytics import YOLO
# Tải model YOLOv8 small đã được huấn luyện trước
model = YOLO("yolov8s.pt")
# Huấn luyện model trên dataset tùy chỉnh của bạn
# Huấn luyện tiết kiệm bộ nhớ cho phép sử dụng batch size lớn hơn
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640, batch=16)
# Chạy inference trên ảnh kiểm thử
results = model("https://ultralytics.com/images/bus.jpg")
# Hiển thị kết quả
results[0].show()
# Xuất model để triển khai trên edge
export_path = model.export(format="onnx")Ultralytics hỗ trợ xuất sang nhiều định dạng chỉ bằng một lệnh, bao gồm ONNX, TensorRT và CoreML, giúp đơn giản hóa các tùy chọn triển khai model trên nhiều kiến trúc phần cứng khác nhau.
Kết luận#
Cả YOLOv8 và RTDETRv2 đều có năng lực đáng chú ý cho tác vụ phát hiện đối tượng thời gian thực. RTDETRv2 cho thấy cách Transformer nắm bắt ngữ cảnh toàn cục, phù hợp với các tác vụ suy luận không gian phức tạp mà tốc độ suy luận và chi phí bộ nhớ không phải là những ràng buộc hàng đầu.
Tuy nhiên, với nhà phát triển ưu tiên sự cân bằng giữa tốc độ, độ chính xác và hiệu quả tài nguyên, các model Ultralytics YOLO là lựa chọn thực tế hơn. Thiết kế nhẹ, tính dễ sử dụng, hỗ trợ đa tác vụ và hệ sinh thái mã nguồn mở năng động của YOLOv8 khiến model phù hợp với môi trường production có khả năng mở rộng. Để đạt hiệu năng edge tốt nhất, YOLO26 bổ sung suy luận không cần NMS và tốc độ CPU cao hơn.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.